所有遗传算法都是最大化算法吗？

Question

我不确定我对最大化和最小化的理解是否正确。

那么让我们说一些函数f（x，y，z）我想找到什么会给出最大化的最大值，对吧？如果我想找到最小值的最小值？

因此，如果遗传算法是一种尝试最大化某些适应度函数的搜索算法，那么它们的定义是最大化算法吗？

Answer 1

  

所以让我们说一些函数f（x，y，z），我想找到什么会给出最大化的最大值，对吧？如果我想找到最小值的最小值？

是的，根据定义，这是真的。

  

因此，如果遗传算法是一种尝试最大化某些适应度函数的搜索算法，那么它们的定义是最大化算法吗？

非常多，是的，虽然我不确定“最大化算法”是一个很常用的术语，并且只有在遗传算法被定义为这样的时候，我才认为它是严格的。

通用算法也可以尝试最小化到某个目标函数值的距离，或者最小化函数值，但是再次，这可以被重新描述为最大化而不失一般性。

也许更重要的是，即使有一个功能也没有严格的要求 - 候选人只需要具有可比性。如果他们有total order，则可以将其重新定义为最大化问题。如果他们没有总订单，那么让候选人客观上比其他人更好一些可能会更困难，尽管没有什么能阻止你在这类数据上运行GA。

总之 - 尝试最大化函数是常态（并且可能与您大多数人看到它定义的方式一致），但如果您遇到不执行此操作的GA，请不要感到惊讶。 / p>

Answer 2

  

所有遗传算法都是最大化算法吗？

不，他们不是。

遗传算法是multi-objective optimization的常用方法（例如NSGA-II或SPEA-2是众所周知的基于遗传算法的方法）。

对于多目标优化，您不是要尝试最大化功能。

这是因为标量化多目标优化问题很少是一种可行的方法（即没有一个解决方案可以同时优化每个目标）而你正在寻找的是一组nondominated solutions（或代表）帕累托最优解的子集）。

还有进化算法的方法，试图捕捉自然进化的开放性，寻找行为新颖性。 即使在基于客观的问题中，这种新颖的搜索也会忽略目标（详见Joel Lehman和Kenneth O. Stanley的Abandoning Objectives: Evolution through the Search for Novelty Alone）。